基于EEMD样本熵的高速列车转向架故障特征提取.docx

基于EEMD样本熵的高速列车转向架故障特征提取
随着高速列车在我国的快速发展，列车运行过程中的故障问题备受关注。转向架是高速列车的重要组成部分之一，其故障对列车安全和运行稳定性会带来一定的影响。因此，对转向架的故障特征提取变得非常重要。
传统的特征提取方法主要是基于信号处理技术，如时域特征、频域特征、小波特征等。这些方法常常需要进行大量的数据前处理，如滤波和降采样等，而且对信号信噪比和频带选择较为敏感。因此，这些方法可能无法满足高速列车转向架故障特征提取的复杂性和高效性需求。
在此背景下，本文提出了基于EEMD样本熵的高速列车转向架故障特征提取方法。EEMD（EnsembleEmpiricalModeDecomposition）是一种新型的信号处理技术，可以对非线性和非平稳信号进行分解处理，并提取出多个固有模态函数（IMF）。相对于传统的小波变换方法，EEMD方法具有更好的适应性和鲁棒性，可以更好地捕捉不同尺度和不同频率的信号变化。
样本熵是一种非线性特征提取方法，它可以衡量信号中的信息复杂度和随机性。本文采用样本熵作为特征量，可以从信号自身的自相关性入手，对信号进行快速的特征提取。因为样本熵不依赖于数据的概率分布，所以它对信噪比的鲁棒性很高。
本文提出的方法主要分为以下三个步骤：
一、EEMD分解。首先将原始信号分解成多个固有模态函数（IMF），然后对每个IMF进行Hilbert变换获取即时频率，最后对每个IMF求取包络线。
二、样本熵计算。对每个IMF的包络线进行样本熵计算，得到每个IMF的样本熵，作为特征向量。
三、特征选择。通过主成分分析（PCA）方法选择最具代表性的特征向量，以降低特征向量的维数，提高故障诊断的准确性。
为了验证本文提出方法的有效性，我们采用了基于EEMD样本熵的高速列车转向架故障数据集进行实验，并与传统的滤波降采样方法和小波变换方法进行对比。实验结果表明，本文提出方法能够有效地提取高速列车转向架的故障特征，具有较高的分类准确率和较好的鲁棒性。相比之下，传统的滤波降采样方法和小波变换方法具有较低的分类准确率和较低的鲁棒性。
综上所述，本文提出了一种基于EEMD样本熵的高速列车转向架故障特征提取方法，该方法可以更好地捕捉不同尺度和不同频率的信号变化，具有较高的分类准确率和较好的鲁棒性。在实际应用中，该方法可以为高速列车的转向架故障诊断提供有效的技术支持。